Avatar IV er HeyGens avatarmotor til at omdanne et stillbillede til en udtryksfuld talevideo. Dens diffusionsinspirerede lyd-til-udtryk-design bruger stemmetone, rytme og følelse til at styre ansigtsbevægelse, hovedhældninger, pauser og mikroudtryk. Formålet er en præsentationsvært eller figur, der leverer talt indhold med læbesynkronisering og gestik, frem for en generel scenegenerator, som skaber et helt miljø og lydspor fra en filmisk prompt.
Producenten beskriver understøttelse af livagtige og stiliserede figurer, inklusive skrå- eller profilbilleder, ansigter i anime-stil og kæledyr. Fotobaserede figurer fungerer bedst, når øjne, mund og ansigtsstruktur er lette at identificere. HeyGen anbefaler et tydeligt, velbelyst billede med naturlig positur og synlige hænder, når gestik er vigtig. Et meget lille ansigt, skjulte læber, kraftige masker, et udpræget næb eller stærkt overdrevne proportioner kan svække ansigtsbevægelse og læbesynkronisering. Hold kildeindramningen egnet til den ønskede præstation.
Producenten tilbyder to veje til taleinput. Et skrevet manuskript kombineres med en valgt stemme; et forudoptaget lydspor leverer stemme og timing direkte. Brug vejen med optaget lyd, når fremførelsen allerede er etableret, og manuskriptvejen, når talen skal syntetiseres. Disse input er alternativer i den dokumenterede grænseflade. Forbered endelig ordlyd, navne og udtale før animation, og gem lyd eller manuskript sammen med den returnerede video, så det talte resultat kan kontrolleres.
HeyGens Avatar IV-modelprofil dækker studieavatarer, Digital Twins, Photo Avatars, direkte billeder og promptskabte motiver. En genanvendelig Photo Avatar giver et stabilt motiv til senere videoer, mens en arbejdsgang med direkte billede starter fra det leverede billede. Producentens Photo Avatar-profil tilbyder bevægelsesinstruktioner i fritekst og udtryksvalg på high, medium eller low med low som standard. Behold det valgte avatarudseende og den valgte motor i en serie, så et ændret kildebillede eller en anden renderingsmodel ikke bliver en ubemærket ændring af præsentationsværten.
Til bevægelsesinstruktion skal du beskrive en synlig kropshandling og dens følelsesmæssige kvalitet. »Nikker blidt med et varmt smil« giver én gestus og ét udtryk; en kort hilsen kan bruge et venligt vink. Producenten anbefaler én hovedgestus, eventuelt sammen med et ansigtsudtryk, og højst to korte delsætninger til en sekvens. Avatar IV håndterer tempoet ud fra præstationen, så Studio-vejledningen kræver ikke en gestusplan sekund for sekund. Specifik, kort ordlyd er lettere at undersøge end flere konkurrerende handlinger i én prompt.
Producentens lyd-til-video-profil renderer op til tredive minutters leveret lyd pr. anmodning, og uploadede MP3- eller WAV-aktiver har en grænse på 32 MB. Til en længere lektion eller optagelse skal materialet deles ved sammenhængende talegrænser, og den oprindelige rækkefølge bevares. Den færdige videos taletiming skal følge den valgte lyd frem for et uvedkommende estimat for klipvarighed.
De dokumenterede producentoutputindstillinger omfatter 720p eller 1080p og formaterne 16:9, 9:16, 4:5, 5:4 eller 1:1 med en automatisk mulighed, der følger kildeproportionerne. En cover-tilpasning kan beskære motivet; contain viser hele motivet og kan lade omgivende baggrund være synlig. Lyd-til-video-arbejdsgangen returnerer MP4 som standard. Til videoavatarer kræver transparent WebM-output understøttelse af matting, og producenten anvender baggrundsfjernelse til dette output frem for at kombinere det med en ny baggrund. Undersøg den faktiske indramning og fil, før præsentationsværten placeres i en større komposition.
En undervisningsintroduktion kan bruge et tydeligt billede af præsentationsværten, en kort forklaring og én afdæmpet gestus ved nøgleinstruktionen. En produktforklaring kan beholde samme avatarudseende, mens det talte manuskript ændres til forskellige funktioner. Producenten dokumenterer også valgfrie undertekstfiler og indbrændte undertekster; gennemgå ordlyd og timing sammen med talen. Rendering er asynkron i producentgrænsefladen, så et oprettelsessvar og den færdige video er forskellige artefakter. Gem den færdige optagelse og dens færdiggørelsestilstand sammen med opgavens resultat.
Avatar IV forbliver adskilt fra Avatar V's referencedrevne bevægelse og særskilte Studio-forudindstillingskontroller. Den er også adskilt fra HeyGen Videos generelle scenegenerering og fra en interaktiv samtale med en liveavatar. Gennemgå de renderede mundbevægelser, synlige hænder, ansigtsudtryk, pauser og talte ord i forhold til kildematerialet og den ønskede tone. Billede, positur, lys og bevægelsesinstruktioner påvirker resultatet; en fotobaseret animation skal kontrolleres som en genereret præstation med de valgte input bevaret til senere revisioner.
", "aboutText": "Avatar IV er HeyGens avatarmotor til at omdanne et stillbillede til en udtryksfuld talevideo. Dens diffusionsinspirerede lyd-til-udtryk-design bruger stemmetone, rytme og følelse til at styre ansigtsbevægelse, hovedhældninger, pauser og mikroudtryk. Formålet er en præsentationsvært eller figur, der leverer talt indhold med læbesynkronisering og gestik, frem for en generel scenegenerator, som skaber et helt miljø og lydspor fra en filmisk prompt.\n\nProducenten beskriver understøttelse af livagtige og stiliserede figurer, inklusive skrå- eller profilbilleder, ansigter i anime-stil og kæledyr. Fotobaserede figurer fungerer bedst, når øjne, mund og ansigtsstruktur er lette at identificere. HeyGen anbefaler et tydeligt, velbelyst billede med naturlig positur og synlige hænder, når gestik er vigtig. Et meget lille ansigt, skjulte læber, kraftige masker, et udpræget næb eller stærkt overdrevne proportioner kan svække ansigtsbevægelse og læbesynkronisering. Hold kildeindramningen egnet til den ønskede præstation.\n\nProducenten tilbyder to veje til taleinput. Et skrevet manuskript kombineres med en valgt stemme; et forudoptaget lydspor leverer stemme og timing direkte. Brug vejen med optaget lyd, når fremførelsen allerede er etableret, og manuskriptvejen, når talen skal syntetiseres. Disse input er alternativer i den dokumenterede grænseflade. Forbered endelig ordlyd, navne og udtale før animation, og gem lyd eller manuskript sammen med den returnerede video, så det talte resultat kan kontrolleres.\n\nHeyGens Avatar IV-modelprofil dækker studieavatarer, Digital Twins, Photo Avatars, direkte billeder og promptskabte motiver. En genanvendelig Photo Avatar giver et stabilt motiv til senere videoer, mens en arbejdsgang med direkte billede starter fra det leverede billede. Producentens Photo Avatar-profil tilbyder bevægelsesinstruktioner i fritekst og udtryksvalg på high, medium eller low med low som standard. Behold det valgte avatarudseende og den valgte motor i en serie, så et ændret kildebillede eller en anden renderingsmodel ikke bliver en ubemærket ændring af præsentationsværten.\n\nTil bevægelsesinstruktion skal du beskrive en synlig kropshandling og dens følelsesmæssige kvalitet. »Nikker blidt med et varmt smil« giver én gestus og ét udtryk; en kort hilsen kan bruge et venligt vink. Producenten anbefaler én hovedgestus, eventuelt sammen med et ansigtsudtryk, og højst to korte delsætninger til en sekvens. Avatar IV håndterer tempoet ud fra præstationen, så Studio-vejledningen kræver ikke en gestusplan sekund for sekund. Specifik, kort ordlyd er lettere at undersøge end flere konkurrerende handlinger i én prompt.\n\nProducentens lyd-til-video-profil renderer op til tredive minutters leveret lyd pr. anmodning, og uploadede MP3- eller WAV-aktiver har en grænse på 32 MB. Til en længere lektion eller optagelse skal materialet deles ved sammenhængende talegrænser, og den oprindelige rækkefølge bevares. Den færdige videos taletiming skal følge den valgte lyd frem for et uvedkommende estimat for klipvarighed.\n\nDe dokumenterede producentoutputindstillinger omfatter 720p eller 1080p og formaterne 16:9, 9:16, 4:5, 5:4 eller 1:1 med en automatisk mulighed, der følger kildeproportionerne. En cover-tilpasning kan beskære motivet; contain viser hele motivet og kan lade omgivende baggrund være synlig. Lyd-til-video-arbejdsgangen returnerer MP4 som standard. Til videoavatarer kræver transparent WebM-output understøttelse af matting, og producenten anvender baggrundsfjernelse til dette output frem for at kombinere det med en ny baggrund. Undersøg den faktiske indramning og fil, før præsentationsværten placeres i en større komposition.\n\nEn undervisningsintroduktion kan bruge et tydeligt billede af præsentationsværten, en kort forklaring og én afdæmpet gestus ved nøgleinstruktionen. En produktforklaring kan beholde samme avatarudseende, mens det talte manuskript ændres til forskellige funktioner. Producenten dokumenterer også valgfrie undertekstfiler og indbrændte undertekster; gennemgå ordlyd og timing sammen med talen. Rendering er asynkron i producentgrænsefladen, så et oprettelsessvar og den færdige video er forskellige artefakter. Gem den færdige optagelse og dens færdiggørelsestilstand sammen med opgavens resultat.\n\nAvatar IV forbliver adskilt fra Avatar V's referencedrevne bevægelse og særskilte Studio-forudindstillingskontroller. Den er også adskilt fra HeyGen Videos generelle scenegenerering og fra en interaktiv samtale med en liveavatar. Gennemgå de renderede mundbevægelser, synlige hænder, ansigtsudtryk, pauser og talte ord i forhold til kildematerialet og den ønskede tone. Billede, positur, lys og bevægelsesinstruktioner påvirker resultatet; en fotobaseret animation skal kontrolleres som en genereret præstation med de valgte input bevaret til senere revisioner.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "73e6b736092a4ced889290f4b3a93ba714771d1f875a02f9bfa5fbb55c99a09e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "heygen/avatar-ivAvatar IV animerer et foto til en læbesynkroniseret talevideo, hvor ansigtsudtryk og gestustiming styres af stemmen. HeyGen dokumenterer arbejdsgange med manuskript eller optaget lyd og Photo Avatar-bevægelseskontroller til livagtige eller stiliserede præsentationsværter.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Avatar IV er HeyGens avatarmotor til at omdanne et stillbillede til en udtryksfuld talevideo. Dens diffusionsinspirerede lyd-til-udtryk-design bruger stemmetone, rytme og følelse til at styre ansigtsbevægelse, hovedhældninger, pauser og mikroudtryk. Formålet er en præsentationsvært eller figur, der leverer talt indhold med læbesynkronisering og gestik, frem for en generel scenegenerator, som skaber et helt miljø og lydspor fra en filmisk prompt.
Producenten beskriver understøttelse af livagtige og stiliserede figurer, inklusive skrå- eller profilbilleder, ansigter i anime-stil og kæledyr. Fotobaserede figurer fungerer bedst, når øjne, mund og ansigtsstruktur er lette at identificere. HeyGen anbefaler et tydeligt, velbelyst billede med naturlig positur og synlige hænder, når gestik er vigtig. Et meget lille ansigt, skjulte læber, kraftige masker, et udpræget næb eller stærkt overdrevne proportioner kan svække ansigtsbevægelse og læbesynkronisering. Hold kildeindramningen egnet til den ønskede præstation.
Producenten tilbyder to veje til taleinput. Et skrevet manuskript kombineres med en valgt stemme; et forudoptaget lydspor leverer stemme og timing direkte. Brug vejen med optaget lyd, når fremførelsen allerede er etableret, og manuskriptvejen, når talen skal syntetiseres. Disse input er alternativer i den dokumenterede grænseflade. Forbered endelig ordlyd, navne og udtale før animation, og gem lyd eller manuskript sammen med den returnerede video, så det talte resultat kan kontrolleres.
HeyGens Avatar IV-modelprofil dækker studieavatarer, Digital Twins, Photo Avatars, direkte billeder og promptskabte motiver. En genanvendelig Photo Avatar giver et stabilt motiv til senere videoer, mens en arbejdsgang med direkte billede starter fra det leverede billede. Producentens Photo Avatar-profil tilbyder bevægelsesinstruktioner i fritekst og udtryksvalg på high, medium eller low med low som standard. Behold det valgte avatarudseende og den valgte motor i en serie, så et ændret kildebillede eller en anden renderingsmodel ikke bliver en ubemærket ændring af præsentationsværten.
Til bevægelsesinstruktion skal du beskrive en synlig kropshandling og dens følelsesmæssige kvalitet. »Nikker blidt med et varmt smil« giver én gestus og ét udtryk; en kort hilsen kan bruge et venligt vink. Producenten anbefaler én hovedgestus, eventuelt sammen med et ansigtsudtryk, og højst to korte delsætninger til en sekvens. Avatar IV håndterer tempoet ud fra præstationen, så Studio-vejledningen kræver ikke en gestusplan sekund for sekund. Specifik, kort ordlyd er lettere at undersøge end flere konkurrerende handlinger i én prompt.
Producentens lyd-til-video-profil renderer op til tredive minutters leveret lyd pr. anmodning, og uploadede MP3- eller WAV-aktiver har en grænse på 32 MB. Til en længere lektion eller optagelse skal materialet deles ved sammenhængende talegrænser, og den oprindelige rækkefølge bevares. Den færdige videos taletiming skal følge den valgte lyd frem for et uvedkommende estimat for klipvarighed.
De dokumenterede producentoutputindstillinger omfatter 720p eller 1080p og formaterne 16:9, 9:16, 4:5, 5:4 eller 1:1 med en automatisk mulighed, der følger kildeproportionerne. En cover-tilpasning kan beskære motivet; contain viser hele motivet og kan lade omgivende baggrund være synlig. Lyd-til-video-arbejdsgangen returnerer MP4 som standard. Til videoavatarer kræver transparent WebM-output understøttelse af matting, og producenten anvender baggrundsfjernelse til dette output frem for at kombinere det med en ny baggrund. Undersøg den faktiske indramning og fil, før præsentationsværten placeres i en større komposition.
En undervisningsintroduktion kan bruge et tydeligt billede af præsentationsværten, en kort forklaring og én afdæmpet gestus ved nøgleinstruktionen. En produktforklaring kan beholde samme avatarudseende, mens det talte manuskript ændres til forskellige funktioner. Producenten dokumenterer også valgfrie undertekstfiler og indbrændte undertekster; gennemgå ordlyd og timing sammen med talen. Rendering er asynkron i producentgrænsefladen, så et oprettelsessvar og den færdige video er forskellige artefakter. Gem den færdige optagelse og dens færdiggørelsestilstand sammen med opgavens resultat.
Avatar IV forbliver adskilt fra Avatar V's referencedrevne bevægelse og særskilte Studio-forudindstillingskontroller. Den er også adskilt fra HeyGen Videos generelle scenegenerering og fra en interaktiv samtale med en liveavatar. Gennemgå de renderede mundbevægelser, synlige hænder, ansigtsudtryk, pauser og talte ord i forhold til kildematerialet og den ønskede tone. Billede, positur, lys og bevægelsesinstruktioner påvirker resultatet; en fotobaseret animation skal kontrolleres som en genereret præstation med de valgte input bevaret til senere revisioner.
POST /v1/videostext, image, audio, videovideo| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser heygen/avatar-iv | Standard— |
Feltinput_references | Typearray | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 2 Maksimalt antal elementer: 2 | Standard— |
Feltprompt | Typestring | KravValgfrit | Værdier og grænser | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input_references |
Parametermaterial_types | Kontrakttext, image, audio, video |
Parametermaterial_conditions | KontraktBrug faktiske indholds-URL’er til færdige medieaktiver, du ejer, med deres returnerede signaturer: én videokilde til BFL eller én billedkilde og én lydkilde til en avatar. Der kræves dokumentation for kildens ejer, type og bytes., Angiv præcis ét PNG/JPEG-billedaktiv og ét WAV/MP3-lydaktiv. Lyden må højst fylde 32000000 bytes, med en varighed større end 0 og højst 1800 sekunder. |
Livscyklus: asynchronous_job_then_owned_outputs
GET /v1/videos/{request_id} · det faktisk returnerede id eller polling_url
GET /v1/videos/{request_id}/content
De viste satser bruges til at anslå omkostningen før genereringen. Det endelige beløb beregnes ud fra den registrerede omkostning for den oprindelige generering. Den målte varighed af outputtet og de anslåede mængder er ikke den endelige fakturerbare mængde.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Forventet mængde | Afregningsenhed | Afregningsbetingelser | Beløb |
|---|---|---|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Forventet mængde— | Afregningsenhed— | Afregningsbetingelser— | Beløb Input · Inputtokens · Estimat kun til sammenligning — / 1K tokens Output · Outputtokens · Estimat kun til sammenligning — / 1K tokens Input · Cachelæsning · Estimat kun til sammenligning — / 1K tokens Input · Cacheskrivning · Estimat kun til sammenligning — / 1K tokens Input · Cacheskrivning, 1 time · Estimat kun til sammenligning — / 1K tokens |
| KonfigurationVideopris | Takstplan— | Forventet mængde— | Afregningsenhedpr. videosekund | AfregningsbetingelserDer er ikke angivet nogen yderligere betingelse i denne prisnøgle. | Beløb Output · Videopris · Estimat kun til sammenligning $0.1 pr. videosekund |
| KonfigurationAnslået genereringsomkostning | Takstplan— | Forventet mængdeestimat for én generering | Afregningsenhed— | Afregningsbetingelser— | Beløb Output · Anslået genereringsomkostning · Estimat kun til sammenligning $0.1 estimat før generering Dette estimat er hverken et ekstra gebyr eller en fast pris for den færdige generering. |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_INPUT_REFERENCES_JSON:?Set the actual documented input value}"\nexport AILOOT_INPUT_REFERENCES_JSON\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'heygen/avatar-iv', 'input_references': '${ACTUAL_OWNED_INPUT_REFERENCES}'}\nrequest['input_references']=json.loads(os.environ['AILOOT_INPUT_REFERENCES_JSON'])\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/videos \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nGET /v1/videos/{request_id}GET /v1/videos/{request_id}/contentset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_STATUS_FILE:?Set the actual completed status JSON file}"\nexport AILOOT_STATUS_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nfrom urllib.parse import urlsplit,urljoin\nf=Path(os.environ["AILOOT_STATUS_FILE"])\nif not f.is_file():raise SystemExit("Choose the actual completed status file")\nr=json.loads(f.read_text())\nif r.get("status")!="completed" or not isinstance(r.get("data"),list) or not r["data"]:raise SystemExit("Wait for a completed status with asset paths")\nurls=[]\nfor x in r["data"]:\n if not isinstance(x,str) or "\\n" in x or "\\r" in x:raise SystemExit("Invalid asset path")\n u=urljoin("https://api.ailoot.ai",x)\n z=urlsplit(u)\n if z.scheme!="https" or z.netloc!="api.ailoot.ai" or z.username or z.password:raise SystemExit("Use the actual Ailoot asset paths from status")\n urls.append(u)\nPath("asset-urls.txt").write_text("\\n".join(urls)+"\\n")\nPY_REQUEST\nindex=0\nwhile IFS= read -r asset_url; do\n curl --fail-with-body --silent --show-error "$asset_url" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o "video-${index}.mp4"\n index=$((index + 1))\ndone < asset-urls.txt\nGem hver færdig video eller returneret fil; hent hver faktisk returneret fil-URL.
Gem hele svaret og alle headere, alle faktisk returnerede output, de oprindeligt returnerede identifikatorer og alle felter med forbrugsdata. Gendan den oprindelige operation uden at sende oprettelsesanmodningen igen.
Behold X-Client-Request-ID, X-Ailoot-Task-Id og det faktisk returnerede id/polling_url. Fortsæt det oprindelige job; indsend ikke oprettelsen igen.
| Felt | Type |
|---|---|
Feltid | Type |
Feltstatus | Type |
Feltdata[] | Type |
Feltoutputs[] | Type |
Ailoot Ultra heygen/avatar-iv
Brug metodestierne vist ovenfor.